基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素，而难以建立精确的数学模型的情况，提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器，模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点，该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明，该方案可以实现模糊控制和神经网络的优势互补，对不确定非线性系统具有很好的控制效果。     

基于遗传神经网络的自适应PID控制器的设计

提出了一种基于遗传算法和神经网络的自适应PID控制器的设计方法。该控制器主要由三个部分组成:利用遗传算法优化PID参数,和RBF神经网络结合,对被控对象逼近,搜索出一组准优的初始参数;RBF神经网络完成对被控对象Jacobian信息辨识;基于单神经元的自适应PID控制器,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。     

船舶减摇非线性系统神经网络控制研究

本文针对船舶横摇运动的非线性模型，基于BP神经网络设计了一种船舶横摇减摇 自适应PID控制器．该控制结构由两个BP神经网络组成,实现了对被控对象输出的预测及PID控制器参数的自整定．仿真表明该控制器对减摇系统的非线性模型有很好的减摇效果．     

基于神经网络的Smith预估PID控制器设计与仿真

针对大时滞非线性受控对象,将数字Smith预估控制原理和神经网络（NN）控制器参数的自适应调整方法相结合,根据系统出现的不同特点适时调节控制器参数,以适应对象特性的变化。将其应用于加热炉温度控制系统中,并与常规PID控制器和Smith预估补偿PID控制器进行比较,仿真研究表明,该控制器各项性能均优于上述两种,且在被控对象参数改变或出现干扰时系统的控制性能也得到了较好的改善,具有良好的控制品质。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

神经网络自适应PID在吹瓶机中的应用

吹瓶工艺过程中温度控制是-个关键性环节,决定工艺的成败.传统的利用PID进行温度控制的方法需要辨识被控对象的参数,且容易导致吹瓶所不允许的超调现象.利用神经网络强大的非线性学习能力可以在被控对象未知的情况下,根据系统输出误差进行网络权值校正,从而实现较好的自适应控制效果.以工业上易于实现为出发点,探讨单神经元PID控制算法、基于BP神经网络的PID控制算法,并对其进行仿真比较分析.     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果，本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性，以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力，控制效果优于没有寻优的Fuzzy控制。     

具有学习功能的多值模糊神经网络控制系统

对于具有非线性、大时滞、不确定性等特性的难以用精确数学模型描述的多变量复杂系统,靠传统控制理论难以获得理想的控制效果。基于模糊神经网络控制技术不依赖于被控对象精确的数学模型,且能根据被控对象参数的变化自适应调节控制规则和隶属函数参数的特性,进行了采用模糊神经网络控制器实现其控制的应用研究。采用典型的前向型模糊神经网络模型,给出了具有学习功能的多值模糊神经网络控制系统的一种设计方法。仿真实验证明,该系统能够获得较理想的控制效果。     

静电悬浮的NARX网络自适应逆控制

静电悬浮控制系统中存在建模不准确及对象扰动,传统控制器只能在动态控制精度和扰动消除性能之间折衷;为了克服其对控制器精度的影响,研究了带扰动消除的自适应逆控制算法.以非线性自回归动态神经网络进行正模型、逆模型以及扰动消除控制器的实时辨识,利用基于遗传算法的改进粒子群算法进行神经网络的更新,以提高自适应收敛速度和精度.设计了基于DSP与PC的仿真环境,分别部署静电悬浮虚拟被控对象和自适应逆控制算法,实现对控制算法的实时验证.结果表明所设计的控制结构与算法可以实现对静电悬浮的稳定控制与扰动消除.利用PC和相应的I/O接口,以及所部署的实时控制算法可以实现快速控制原型,为控制器的工程实现提供基础.     

基于BP神经网络的火电厂水质调节自适应控制的仿真研究

针对火电厂锅炉水质调节过程的大时滞时变特性,常规控制算法控制效果不好的问题,本文提出了基于BP神经网络的Smith-PID鲁棒自适应控制算法,利用BP神经网络的任意非线性表达能力和很强的自学习能力,在线自学习整定PID参数,被控对象不需要精确辩识,控制器参数跟踪被控对象自适应调整,克服了常规PID算法不适用于大时滞过程控制和常规Smith预估补偿控制对模型不确定性敏感的缺陷.MATLAB仿真表明,本文控制算法的静态特性、动态品质良好,鲁棒性强.     

数控机床进给伺服系统神经网络自整定PID控制

在介绍BP神经网络结构和学习算法的基础上,给出了一种数控机床进给伺服系统基于BP神经网络的自整定PID控制算法,并设计了基于BP神经网络自整定PID控制器的结构.在Matlab仿真中证实,该算法减小了系统的调节时间,提高了系统的响应速度、抗干扰能力和对被控对象参数变化的适应能力.     

一种径向基函数神经网络预测在超临界温度控制系统中的应用研究

超临界温度控制系统具有较大的惯性、时滞和非线性,且动态特性随运行工况而改变,难以建立其精确的数学模型,本文采用GGAP算法的RBF神经网络构成神经网络预测控制器,将在线学习和预测控制相结合,以某超临界电厂主汽温度为研究对象,MATLAB仿真实验表明,该方法能对超临界温度控制系统实现有效的控制,动态性能较传统的PID控制有较大的提高。     

Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network

The aim of this paper was to propose a recurrent neural network-based predictive controller for robotic manipulators. A neural network controller for a six-joint Stanford robotic manipulator was designed using the generalized predictive control (GPC) and the Elman network. The GPC algorithm, which is a class of digital control method, requires long computational time. This is a disadvantage in real-time robot control; therefore, the Elman network controller was designed to reduce processing time by avoiding the highly mathematical and computational complexity of the GPC. The main reason for choosing the Elman network, amongst several neural network algorithms, was that the presence of feedback loops have a profound impact on the learning capability of the network. The designed neural network controller was able to recover quickly because of its significant generalization capability, which allowed it to adapt very rapidly to changes in inputs. The performance of the controller was also shown graphically using simulation software, including the dynamics and kinematics of the robot model.     

Adaptive recurrent neural network control using a structure adaptation algorithm

This paper proposes an adaptive recurrent neural network control (ARNNC) system with structure adaptation algorithm for the uncertain nonlinear systems. The developed ARNNC system is composed of a neural controller and a robust controller. The neural controller which uses a self-structuring recurrent neural network (SRNN) is the principal controller, and the robust controller is designed to achieve L ² tracking performance with desired attenuation level. The SRNN approximator is used to online estimate an ideal tracking controller with the online structuring and parameter learning algorithms. The structure learning possesses the ability of both adding and pruning hidden neurons, and the parameter learning adjusts the interconnection weights of neural network to achieve favorable approximation performance. And, by the L ² control design technique, the worst effect of approximation error on the tracking error can be attenuated to be less or equal to a specified level. Finally, the proposed ARNNC system with structure adaptation algorithm is applied to control two nonlinear dynamic systems. Simulation results prove that the proposed ARNNC system with structure adaptation algorithm can achieve favorable tracking performance even unknown the control system dynamics function.     

改进遗传神经网络控制混沌运动的研究

用最大Lyapunov指数构造遗传算法中的适应度函数,通过遗传算法优化神经网络的权系数．根据所得到的适应度函数和权系数来构造遗传神经网络控制器,从而提高神经网络控制效果．对离散系统Logistic映射和连续系统Rossler方程、AFM（原子力显微镜）悬臂梁振动系统的混沌运动分别进行了仿真控制．数值实验结果表明本文改进的遗传神经网络控制方法对离散或者连续的混沌系统都能控制到低周期轨道上去,证明了算法的有效性．     

神经网络解耦控制在某无人机组件测试系统的应用

无人机组件测试系统,主要用于对某型号无人机组件进行相关性能测试和试验验证。系统的控制参数温度、压力、流量间存在强耦合关系。为了解决常规控制方法难以控制的难题,设计了一种基于PID神经元网络的前向多层解耦控制器,并利用遗传算法对神经网络的权值进行训练。将此算法在MATLAB下进行仿真,解耦控制效果较为理想,随后经航空测试系统试验验证,该控制方法可以达到设计需求,有力地支持了相关型号的研制工作。     

Neuro-fuzzy position control of demining tele-operation system based on RNN modeling

The paper considers the neuro-fuzzy position control of multi-finger robot hand in tele-operation system—an active master–slave hand system (MSHS) for demining. Recently, fuzzy control systems utilizing artificial intelligent techniques are also being actively investigated in robotic area. Neural network with their powerful learning capability are being sought as the basis for many adaptive control systems where on-line adaptation can be implemented. Fuzzy logic on the other hand has been proved to be rather popular in many control system applications providing a rule-base like structure. In this paper, the design and optimization process of fuzzy position controller is supported by learning techniques derived from neural network where a radial basis function (RBF) neural network is implemented to learn fuzzy rules and membership functions with predictor of recurrent neural network (RNN) model. The results of experiment show that based on the predictive capability of RNN model neuro-fuzzy controller with good adaptation and robustness capability can be designed.     

一种最优模糊神经网络控制器

基于最优控制的思想,通过对控制系统的过程模拟,提出一种最优模糊神经网络控制器的设计方案,首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构,然后利用基于浮点数编码机制的遗传算法寻的最优的控制器参数,仿真结果表明该控制器优于常规模糊控制器。